使うモデルと実行方式を先に決める
AI用PCは、画像生成かLLMかに加え、推論と学習を分けて選びます。推論が動くGPUでも、同じモデルの学習に必要なメモリを確保できるとは限りません。クラウドAPIだけを使う場合は、手元の高性能GPUを前提にする必要はありません。
モデル名、精度、量子化形式、入力条件を決め、配布元の要件と実行環境の対応を確認します。VRAMはモデルの重みだけでなく、画像処理の中間データやLLMの会話キャッシュにも使われます。
CUDA向けの手順をそのまま使いたい場合はNVIDIA製GPUを候補にします。PyTorchにはROCm向けの配布もあり、ローカルLLMにはMetalやVulkanなどの経路もあります。対応GPU・OS・アプリを確認してから機種を選んでください。
用途別に比較を始める構成
| 使い方 | BTO構成の出発点 | 購入前に確認する条件 |
|---|---|---|
| 小型LLMの推論・画像生成の入門 | VRAM 8〜12GB / RAM 32GB / SSD 1TB | 対象モデルの実行例、入力サイズ、CPUオフロードの可否 |
| 複数モデルや画像処理を日常利用 | VRAM 16GB / RAM 64GB / SSD 2TB | 解像度・バッチ数、モデル併用、許容する処理時間 |
| 大型LLM・追加学習を検討 | VRAM 24〜32GB以上 / RAM 64〜128GB以上 | 学習方式・モデル規模ごとの要件、必要な保存容量 |
表は比較条件の目安です。画像生成や学習に共通する最低VRAMを示すものではありません。GeForce RTX 5060 Tiは8GB・16GB、RTX 5070 Tiは16GB、RTX 5090は32GBです。型番に加えて搭載容量を確認してください。
公式情報の確認日: 2026-10-11。出典: NVIDIA RTX 5060仕様、RTX 5070仕様、RTX 5090仕様、PyTorch実行環境。
メモリを節約する設定と処理速度の関係
画像生成では、画像サイズ、バッチ数、追加モデルによって必要メモリが変わります。DiffusersのCPUオフロードやVAE tilingは、GPUメモリ使用量を抑える選択肢です。CPUとGPUの転送や処理の分割が増えるため、速度との兼ね合いを確認します。
LLMでは同じパラメータ数でも、量子化、モデル構造、コンテキスト長によって使用量が変わります。モデルファイルの容量をVRAMに合わせるだけでは、入力時のメモリ不足を防げません。モデル用領域と実行時の領域を合わせて見積もります。
LoRAなどの追加学習と全パラメータの学習では、保持する勾配や最適化用データが異なります。推論記事のVRAM目安を学習へ流用せず、使う学習ライブラリと設定の要件を参照してください。
公式情報の確認日: 2026-10-11。出典: Diffusersのメモリ削減、llama.cpp対応環境、OllamaのGPU対応。
モデル要件をBTOの比較条件へ変換する
AI開発用プリセットを開き、必要なVRAM、RAM、SSDを指定します。GPUの処理能力を比較するときも、RAM不足や保存容量不足がない構成にそろえてください。同じVRAM容量のGPUでも、処理速度とソフトウェア対応は異なります。
当サイトは実機でのモデル動作やtok/sを測定していません。GPUスコアは独自の相対指標であり、モデルごとの推論速度を示しません。候補の総額を比較した後、公式仕様と対象モデルの実行条件を確認して選びます。